Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques

Antecedentes: La predicción de los resultados de la hemorragia subaracnoidea (HSA) ayuda a orientar la atención y comparar las estrategias de tratamiento globales. Los modelos de regresión logística para la predicción de resultados pueden resultar complicados de aplicar en la práctica clínica. Objet...

Descripción completa

Detalles Bibliográficos
Autores: de Toledo, Paula, Rios, Pablo M, Ledezma, Agapito, Sanchis, Araceli, Fernández Alén, José Antonio, Lagares Gómez-Abascal, Alfonso
Tipo de recurso: artículo
Fecha de publicación:2009
País:España
Institución:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:inglés
OAI Identifier:oai:docta.ucm.es:20.500.14352/116147
Acceso en línea:https://hdl.handle.net/20.500.14352/116147
Access Level:acceso abierto
Palabra clave:617
Hemorragia
subaracnoidea
Cirugía
3213.08 Neurocirugía
id ES_a28c4ec71bc75ff998d8a981e0e3ea08
oai_identifier_str oai:docta.ucm.es:20.500.14352/116147
network_acronym_str ES
network_name_str España
repository_id_str
spelling Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniquesde Toledo, PaulaRios, Pablo MLedezma, AgapitoSanchis, AraceliFernández Alén, José AntonioLagares Gómez-Abascal, Alfonso617HemorragiasubaracnoideaCirugía3213.08 NeurocirugíaAntecedentes: La predicción de los resultados de la hemorragia subaracnoidea (HSA) ayuda a orientar la atención y comparar las estrategias de tratamiento globales. Los modelos de regresión logística para la predicción de resultados pueden resultar complicados de aplicar en la práctica clínica. Objetivo: Utilizar técnicas de aprendizaje automático para construir un modelo de predicción de resultados que haga que el conocimiento descubierto a partir de los datos sea explícito y comunicable a los expertos del dominio. Material y métodos: Se analizó una cohorte de derivación (n = 441) de casos no seleccionados de HSA utilizando diferentes algoritmos de clasificación para generar árboles de decisión y reglas de decisión. Los algoritmos utilizados fueron C4.5, aprendizaje rápido de árboles de decisión, árboles de decisión parciales, poda incremental repetida para producir reducción de error, vecino más cercano con generalización y aprendizaje de reglas de ondulación descendente. El resultado se dicotomizó en favorable [escala de resultados de Glasgow (GOS) = I-II] y malo (GOS = III-V). Se utilizó una cohorte independiente (n = 193) para la validación. Se entregó un cuestionario exploratorio a los usuarios potenciales (médicos especialistas) para recabar su opinión sobre el clasificador y su usabilidad en la rutina clínica. Resultados: El mejor clasificador se obtuvo con el algoritmo C4.5. Utiliza sólo dos atributos [World Federation of Neurological Surgeons (WFNS) y escala de Fisher] y conduce a un árbol de decisión simple. La precisión del clasificador [área bajo la curva ROC (AUC) = 0,84; intervalo de confianza (IC) = 0,80-0,88] es similar a la obtenida por un modelo de regresión logística (AUC = 0,86; IC = 0,83-0,89) derivado de los mismos datos y se considera que se ajusta mejor al uso clínico.IEEEUniversidad Complutense de Madrid20092009-01-0120092009-01-01journal articlehttp://purl.org/coar/resource_type/c_6501VoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleapplication/pdfhttps://hdl.handle.net/20.500.14352/116147reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/1161472026-06-02T12:44:21Z
dc.title.none.fl_str_mv Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
title Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
spellingShingle Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
de Toledo, Paula
617
Hemorragia
subaracnoidea
Cirugía
3213.08 Neurocirugía
title_short Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
title_full Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
title_fullStr Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
title_full_unstemmed Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
title_sort Predicting the outcome of patients with subarachnoid hemorrhage using machine learning techniques
dc.creator.none.fl_str_mv de Toledo, Paula
Rios, Pablo M
Ledezma, Agapito
Sanchis, Araceli
Fernández Alén, José Antonio
Lagares Gómez-Abascal, Alfonso
author de Toledo, Paula
author_facet de Toledo, Paula
Rios, Pablo M
Ledezma, Agapito
Sanchis, Araceli
Fernández Alén, José Antonio
Lagares Gómez-Abascal, Alfonso
author_role author
author2 Rios, Pablo M
Ledezma, Agapito
Sanchis, Araceli
Fernández Alén, José Antonio
Lagares Gómez-Abascal, Alfonso
author2_role author
author
author
author
author
dc.contributor.none.fl_str_mv Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 617
Hemorragia
subaracnoidea
Cirugía
3213.08 Neurocirugía
topic 617
Hemorragia
subaracnoidea
Cirugía
3213.08 Neurocirugía
description Antecedentes: La predicción de los resultados de la hemorragia subaracnoidea (HSA) ayuda a orientar la atención y comparar las estrategias de tratamiento globales. Los modelos de regresión logística para la predicción de resultados pueden resultar complicados de aplicar en la práctica clínica. Objetivo: Utilizar técnicas de aprendizaje automático para construir un modelo de predicción de resultados que haga que el conocimiento descubierto a partir de los datos sea explícito y comunicable a los expertos del dominio. Material y métodos: Se analizó una cohorte de derivación (n = 441) de casos no seleccionados de HSA utilizando diferentes algoritmos de clasificación para generar árboles de decisión y reglas de decisión. Los algoritmos utilizados fueron C4.5, aprendizaje rápido de árboles de decisión, árboles de decisión parciales, poda incremental repetida para producir reducción de error, vecino más cercano con generalización y aprendizaje de reglas de ondulación descendente. El resultado se dicotomizó en favorable [escala de resultados de Glasgow (GOS) = I-II] y malo (GOS = III-V). Se utilizó una cohorte independiente (n = 193) para la validación. Se entregó un cuestionario exploratorio a los usuarios potenciales (médicos especialistas) para recabar su opinión sobre el clasificador y su usabilidad en la rutina clínica. Resultados: El mejor clasificador se obtuvo con el algoritmo C4.5. Utiliza sólo dos atributos [World Federation of Neurological Surgeons (WFNS) y escala de Fisher] y conduce a un árbol de decisión simple. La precisión del clasificador [área bajo la curva ROC (AUC) = 0,84; intervalo de confianza (IC) = 0,80-0,88] es similar a la obtenida por un modelo de regresión logística (AUC = 0,86; IC = 0,83-0,89) derivado de los mismos datos y se considera que se ajusta mejor al uso clínico.
publishDate 2009
dc.date.none.fl_str_mv 2009
2009-01-01
2009
2009-01-01
dc.type.none.fl_str_mv journal article
http://purl.org/coar/resource_type/c_6501
VoR
http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.openaire.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/116147
url https://hdl.handle.net/20.500.14352/116147
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv IEEE
publisher.none.fl_str_mv IEEE
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869415289372803072
score 15,811543

Similares en LA Referencia